基于改进Citation-KNN算法的性别识别研究

计算机工程与应用 ›› 2015, Vol. 51 ›› Issue (15): 206-210.

基于改进Citation-KNN算法的性别识别研究

朱俊梅1，顾明亮1，2，张世形2，贾晶晶1

1.江苏师范大学语言科学学院，江苏徐州 221116
2.江苏师范大学物理与电子工程学院，江苏徐州 221116

出版日期:2015-08-01 发布日期:2015-08-14

Study of speaker gender identification based on modified Citation-KNN

ZHU Junmei1, GU Mingliang1，2, ZHANG Shixing2, JIA Jingjing1

1.School of Linguistic Science, Jiangsu Normal University, Xuzhou, Jiangsu 221116, China
2.School of Physics & Electronic Engineering, Jiangsu Normal University, Xuzhou, Jiangsu 221116, China

Online:2015-08-01 Published:2015-08-14

摘要/Abstract

摘要： 为了简化系统模型训练方法，提高性别识别系统的整体效率，提出了一种基于改进Citation-KNN算法的说话人性别识别方法。该方法将连续语音切分，训练每段语音的高斯混合模型（Gaussian Mixture Model，GMM）作为多示例包，其所有混合元为相应包中示例；采用改进的Hausdorff距离作为包与包之间的距离测度，通过Citation-KNN算法进行性别识别。该方法以多示例包间距离为分类依据，简化了系统训练，且识别率优于一些传统算法。

关键词: 性别识别, 改进Citation-K最近邻（KNN）算法, 高斯混合模型, 改进Hausdorff距离

Abstract: To simplify the method of model training and improve efficiency of gender identification system, an algorithm of speaker gender identification based on modified Citation-KNN algorithm and a new speech Multi-Instance（MI） bag generating method are introduced. Continuous speech is segmented and sub-paragraph speech is modeled with a Gaussian Mixed Model（GMM）. The generated GMM is treated as an MI bag and the components of the GMM are the instances of the corresponding bag. Modified Hausdorff distance is used to measure the distance between two bags. Experimental results show that this method can identify speakers’ gender effectively and is superior to traditional algorithms in the correct recognition rate.

Key words: gender identification, modified Citation-K-Nearest Neighbor（KNN） algorithm, Gaussian Mixed Model（GMM）, modified Hausdorff distance

朱俊梅1，顾明亮1，2，张世形2，贾晶晶1. 基于改进Citation-KNN算法的性别识别研究[J]. 计算机工程与应用, 2015, 51(15): 206-210.

ZHU Junmei1, GU Mingliang1，2, ZHANG Shixing2, JIA Jingjing1. Study of speaker gender identification based on modified Citation-KNN[J]. Computer Engineering and Applications, 2015, 51(15): 206-210.

[1]	潘沛鑫，潘中良. 结合显著性的主动轮廓图像分割[J]. 计算机工程与应用, 2021, 57(8): 225-230.
[2]	雷恒林，古兰拜尔·吐尔洪，买日旦·吾守尔，张东梅. 新奇检测综述[J]. 计算机工程与应用, 2021, 57(5): 47-55.
[3]	贾兵兵，曹辉，秦驰杰. 基于SGMM和DNN结合提高音素识别率的研究[J]. 计算机工程与应用, 2019, 55(24): 117-121.
[4]	陈超. 高斯混合模型结合加权似然的目标跟踪算法[J]. 计算机工程与应用, 2019, 55(12): 124-131.
[5]	陈济楠1，李少波1，2，高宗1，李政杰1，杨静1. 基于改进CNN的年龄和性别识别[J]. 计算机工程与应用, 2018, 54(16): 135-139.
[6]	仇功达1，何明1，祝朝政1，杨杰2，刘勇1. 基于稀疏交界最大密度连通的模糊聚类方法[J]. 计算机工程与应用, 2018, 54(14): 82-88.
[7]	梁恺彬，管一弘. 基于隐高斯混合模型的人脑MRI分割方法[J]. 计算机工程与应用, 2018, 54(10): 196-203.
[8]	陈卉，胡立坤，黄钰雯. 采用高斯混合模型及树结构的立体匹配算法[J]. 计算机工程与应用, 2017, 53(20): 195-200.
[9]	牛艺蓉，王士同. 基于噪音受益的快速图像分割算法[J]. 计算机工程与应用, 2016, 52(21): 195-201.
[10]	胡志立，郭敏. 基于SLIC的改进GrabCut彩色图像快速分割[J]. 计算机工程与应用, 2016, 52(2): 186-190.
[11]	杜楠楠，赵晖. 维吾尔语情感语音韵律转换研究[J]. 计算机工程与应用, 2016, 52(19): 154-160.
[12]	张明光，张钰. 基于ANN伪量测建模的配电网状态估计[J]. 计算机工程与应用, 2016, 52(17): 253-256.
[13]	刘玉超. 一种自适应的多粒度概念提取方法——高斯云变换[J]. 计算机工程与应用, 2015, 51(9): 1-8.
[14]	党小超1，2，毛鹏鑫1，郝占军1，2. 基于快速求解高斯混合模型的流量聚类算法[J]. 计算机工程与应用, 2015, 51(8): 96-101.
[15]	顾明亮1，2，张世形1，鲍薇2. 基于改进多样性密度的性别识别[J]. 计算机工程与应用, 2015, 51(7): 149-153.